선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 절에서는 자모간 유사도 함수 d를 설계하기 위해 고안한 세 가지의 방법에 대하여 설명한다. 각 방법론은 언어학적 지식에 기반하여 설계된 자모의 자질 벡터, 대량의 데이터를 통해 발견된 자모간 연관성, 인공신경망을 통해 학습된 자모 임베딩 간의 성능을 비교하기 위해 고안되었다.
- 본 논문에서는 문장대문장 학습 모델을 음차 변환에 적용하고, 그 결과를 다양한 한글 키워드와 부분적으로 매칭할 수 있는 방법론에 대하여 다루었다. 그리고 그 결과를 위키피디아 리다이렉트 정보를 이용하여 구성한 테스트셋을 이용하여 정량적으로 평가하였다.
- 따라서, 검색 품질의 향상을 위해서는 적절한 음차변환을 통해 서로 다른 언어의 단어를 잘 매칭할 수 있어야 한다. 본 논문에서는 이러한 음차변환 문제를 문장대문장 학습(Sequence-tosequence learning)[1]을 통해 해결하고자 하였다. 문장대문장 학습이란 문장들 사이의 관계를 기계학습 모델이 학습하도록 하는 것으로 최근 번역[2], 챗봇[3] 등 다양한 자연어처리분야의 문제들을 푸는데 사용되고 있다.
- 본 실험은 영문 표제어를 음차하는 능력과 그 음차된 결과를 다양한 한글 키워드들과 매칭할 수 있는 성능을 포괄적으로 측정하도록 고안되었다. 먼저 전체 데이터셋을 558개의 dev set과 3000개의 test set으로 구분하였다.
- 한글 문자열을 올바르게 부분 매칭하기 위해서는 두문자열의 발음 유사도를 계산할 수 있어야 한다. 본 연구는 한글 자모의 발음 유사도를 이용하여 DamerauLevenshtein Distance[14](이하 편집 거리)를 확장하고자 하였다.
- 따라서 ‘게’ 와 ‘개’ 는 ‘게’ 와 ‘고’ 보다 발음상 더 유사함에도 불구하고 동일한 거리를 가지게 된다. 본 연구에서는 이러한 점을 보완하기 위하여 두 문자의 발음 유사도를 고려한 d 함수를 설계하는데 초점을 맞추었다.
- 본 절에서는 자모간 유사도 함수 d를 설계하기 위해 고안한 세 가지의 방법에 대하여 설명한다. 각 방법론은 언어학적 지식에 기반하여 설계된 자모의 자질 벡터, 대량의 데이터를 통해 발견된 자모간 연관성, 인공신경망을 통해 학습된 자모 임베딩 간의 성능을 비교하기 위해 고안되었다.
가설 설정
- 문장대문장 학습이 이루어지는 동안 각 단어는 특정 차원의 벡터로 나타내어지며, 문장간의 관계가 학습되는 동안 생성되는 오차의 전파를 통해 단어의 임베딩이 형성되게 된다. 음차 변환의 경우 단어는 한 개의 자모를 의미하며, 주어진 영어 단어와 이를 음차한 한글 자모 사이의 관계를 학습하는 동안 발음에 대한 정보가 자연스럽게 임베딩에 반영이 되었을 것으로 가정하였다. 이렇게 얻어진 자모의 임베딩을 유사도를 계산하는데 활용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.